丁寧な解説とポップな例題で本物のHaskellプログラミングを習得できる入門書。 原書の“Learn You a Haskell for Great Good!”は、型、遅延評価、モナドといった難しい概念にも自然に慣れていけるよう工夫された構成、他の言語経験者への配慮に加え、原著者による楽しいイラストによって、もっとも分かりやすいHaskell本として、高く評価されています。

前に決定木の可視化をしようと思ってやってなかったのでやっておきます 決定木のライブラリは例のごとくscikit-learnを使う pythonの機械学習ライブラリscikit-learnの紹介 - 唯物是真 @Scaled_Wurm 決定木とは 決定木は教師あり学習で使われるモデルで、ルールを木として学習します 例えば身長、体重から性別を予測したい場合、身長が170cm以上で体重60kg以上なら男、みたいなルールを学習します 性能はあまりよくないモデルですが、人間にもわかりやすいルールを出力する(他のモデルと比べれば)という特徴があります 簡単に説明すると、ある変数が一定値以上であるかという条件で分けた時に、データのラベル(性別なら男女)ごとの分布がどちらかに偏るような条件で木を作っていきます 予測するときには、データが条件を満たしているノードをたどって木の一番下の葉ノードまでいって、葉ノ

ここでRのパッケージを使った決定木による分類の紹介をしていたので、python（というかscikit-learn）でも同じことをやってみた。せっかくなのでこの場で書いておく。 ※下記に示したpythonソースはIPythonNotebookにまとめたのでこちらを参照してもらうとよいかも。 ■まずは分類したいデータを用意。 ここでは、わかりやすさのために、自家製のデータセットを学習データとして使う。用意したデータは説明変数が実数をとる「x」と「y」の２種類で、目的変数は「0」と「1」の２つのクラスをとるような学習データだ。この学習データの説明変数と目的変数の関係をプロットすると（※１）以下のようになる。青い点が「クラス0」、赤い点が「クラス1」のデータを表わす。 ここと同様にXORパターンデータにしていて、 ・クラス0は座標（1,1）と座標（-1,-1）を平均として分散0.5で正規分布 ・ク

データ分析から導き出されたインサイト無しにAI（人工知能）の活用は始まりません。私たちは、各業界知識とデータ・アナリティクス技術を駆使しデータドリブン経営を強力に支援します。 データ、アナリティクス、AIは企業にとって競合他社との差別化を図るかつてないほど大きな要因になっています。今日の経営幹部が効率を向上しながら新たな収益源を開拓し、新しいビジネスモデルをタイムリーに構築する方法を模索する中、価値を生み出し成長を続ける企業には「データ活用」という共通項があります。私たちは、無数のデータから企業にとって本当に必要なデータを活用するための方法を知っています。 将来を見据えたオペレーション体制を備えている企業の半数以上（52％）は、すでにデータとアナリティクスを大規模に活用しています。データとAIに関する取り組みをビジネス戦略に沿って実施することで投資利益率を迅速に最大化し、最終的にはAIをビ

VirtualBoxの環境下でゲストOSのハードディスク容量を増やす必要があり、その方法をまとめた。 容量を8GBから16GBに増やす。 環境 ホストOSはMac OS X Yosemite 10.10.3で、VirtualBoxのバージョンは4.3.26。ゲストOSの仮想ディスクはVDIで可変ディスク。 ゲストOSはCentOS6.6 の64bit版。 # cat /etc/redhat-release CentOS release 6.6 (Final) # uname -ar Linux localhost.localdomain 2.6.32-504.el6.x86_64 #1 SMP Wed Oct 15 04:27:16 UTC 2014 x86_64 x86_64 x86_64 GNU/Linux # df -h Filesystem Size Used Avail Use%

Treasure Dataではfluentd, 各種SDK, Data Connectorなどで収集されたデータに対して、Hive, Prestoによる分散SQLクエリが実行できます。特にPrestoはこの1年で大きく進化しましたので、ここでその内容について紹介していきたいと思います。 Prestoクエリの利用量は増え続けていて、2015年12月現在、Treasure Dataの利用統計では、 １日あたり5万クエリ (月換算で150万クエリ) １日あたり10兆 (10 trillion) レコード を処理しています。2015年の始まりの時点では、1日あたりおよそ5000クエリ、1兆レコードという数字でしたので、この１年でほぼ10倍になった計算になります。昨年末のPrestoサービスの開始にあたり、CTOの太田と相談して10倍スケールできるように準備をしていたのですが、想定していたより早くこ

Pythonのscikit-learnを勉強中です。今回は、公式ページにある、手書き文字を0から9に分類するコード (Recognizing hand-written digits — scikit-learn 0.16.1 documentation) を読み解いてみます。 準備 Python 3でscikit-learnを使えるようにします。今回は Download Anaconda Python Distribution で配布されているAnacondaを使いました。 コード 手書き文字データセット scikit-learnに付属する、8x8の白黒画像で表現された手書き文字データセットを使用します。 from sklearn import datasets digits = datasets.load_digits() このデータセットには1797個分のデータが含まれています。dig

目的 scikit-learnのSVM（SVC）は，多クラス分類を行うとき，one-versus-oneで分類する． しかし，one-versus-the-restの方が識別性能がいい場合がある（多い，という報告を見かける）ので， sklearn.multiclassのOneVsRestClassifierを使った one-versus-the-restでの多クラスSVM分類の仕方をメモしておく． （注）ただし，LinearSVCはデフォルトでone-versus-the-restを採用している． One-versus-the-restとOne-versus-one $K$クラス分類問題を考える． One-versus-the-rest ある特定のクラスに入るか，他の$K-1$個のクラスのどれかに入るかの2クラス分類問題を解く分類器を$K$個利用する． One-versus-one ある特

僕はSVMが大好きです．シュパッてきれいに分類できている姿を見ると，かっこよくてドキドキします． 今回は，SVMの性能を最大限に引き出すために知っておくと役立つことを書いていこうと思います．ちょっとチューニングを行うだけで，10%〜20%精度が向上するなんてことはよくあります． なお，本記事は使いこなし方にフォーカスしているので，理論的なことを知りたい方は別途確認して下さい． 特徴量の作成 まずは，適切な特徴量を作成するにあたって注意すべきことを2つ紹介します． 1. スケーリング スケーリングとは，特徴量のとりうる値の範囲をあらかじめ調整してあげることです． なぜスケーリングするの？ 理由は2つあります． 大きい値の範囲をとる特徴量に引きずられないようにします．[0,10]での1と2の違いは1だけですが，[0,10000]での1の100の違いよりもずっと重要です．すなわち，これらを対等に

図1に示すように、非線形データ構造を線形構造に変換することができれば、線形データ解析手法で非線形データを容易に扱うことができる。 データを変換することで、非線形構造を線形構造に変換することが可能である。例えば、図2(a)に示す2次元平面座標系(x,y)上の4つの点A1(1,1)、A2(1,-1)、A3(-1,-1)、A4(-1,1)を考えよう。仮にA1とA3がひとつのクラス、A2とA4がひとつのクラスだとすると、平面上でクラスの境界線を一本の直線で引くことができない。しかし、新しい変数 を導入し、2次元平面(x,y)上の4つの点を3次元空間(x,y,z)に射影するとA1(1,1,1)、A2(1,-1,-1)、A3(-1,-1,1)、A4(-1,1,-1)になり、両クラスは平面で切り分けることが可能である。例えば，z=0の平面を境界面とすることができる。 図1では、関数φ(x)を用いて個体

サポートベクターマシン入門 作者: ネロクリスティアニーニ,ジョンショー‐テイラー,Nello Cristianini,John Shawe‐Taylor,大北剛出版社/メーカー: 共立出版発売日: 2005/03メディア: 単行本購入: 8人 クリック: 135回この商品を含むブログ (41件) を見る SVMとは Support Vector Machineの略で教師あり学習に分類されます。線形、非線形の識別関数があり現在知られている多くの学習モデルの中では最も優れた識別能力があるとされています。いわゆる2値分類を解くための学習モデルであり、線形しきい素子を用いて分類器を構成します。訓練データにおける各データ点と距離が最大になるマージン最大化という基準で線形しきい素子のパラメータを学習させます。シンプルな例は与えられたデータ集合を全て線形に分離する事です。SVMはカーネルトリックという

Python Orangeを用いたステップワイズ法についてまとめる。パラメータの設定だけでできるので非常に簡単だ。回帰分析の基本的な実施方法は前回の記事を参照ください。 ■ライブラリ >>> import Orange >>> from pandas import * >>> import matplotlib.pyplot as plt #Orange - Data Mining Fruitfuk & Fun ■データ >>> housing = Orange.data.Table('./data/housing_r.txt') #データはここから確認できる #Orangeの基本のデータヘッダー部は3行だがカラム名のみの1行でも問題ない。 #その場合は、最後のカラムが目的変数に設定される。 ■モデルの設定と学習 >>> learner = Orange.regression.linear

ちょっと興味が湧いてきたので、今後しばらくグラフ理論・ネットワーク分析に力を入れてみようかなと思ってます。ということで『レ・ミゼラブル』の時同様にオープンデータセットを取ってきましょう。 Network data 今回使うのは"Neural network"。これは（厳密には違うんですが）僕の以前の専門でもあった神経科学のデータで、C. elegansという線虫の神経回路網を測定・記録したものです。 Neural network: A directed, weighted network representing the neural network of C. Elegans. Data compiled by D. Watts and S. Strogatz and made available on the web here. Please cite D. J. Watts and

例えば，関数 f(x)=2x+3 は，xの値を１つ決めると，それに応じてyの値が１つ決まります。 この関数を言葉で表すと，「ある数を２倍して，それから３を加えた数をつくる関数」です。 逆関数とは，xとyの「役割」を交換し，同じ対応を逆から見た関数のことです。 したがって，この逆の操作を言葉で表すと，「ある数から３を引き，２で割った数をつくる関数」，つまり，逆関数 となります。 逆関数を機械的に求めるためには，まず， ここで，数学のルールでは，一般に，関数を「xの関数」で表すので，②の式でもこのルールにそろえます。つまり，②の式において，xをyに，yをxに書きかえます。（このことを，「xとyを入れかえる」と表現しています。） こうして得られた式を，①の逆関数というのです。 では，関数 y=f(x) の逆関数 y=g(x) を求めるときの手順をまとめておきましょう。

機械学習始めるぞー!と思ったやさき・・・ 最近はもうあちこちで機械学習、機械学習って盛り上がってますよね！ そして「 乗るしかない!このビッグウェーブに! 」と思い立ち意気揚々と書店に行って、機械学習の入門書を手にとりますね。 そして数式の羅列にただただ唖然とするわけです。 でもって次に専用ソフトやコーディングを通じて学べる系の本に手を出してみるものの、今度は数式が少ない代わりに、 ここに数値を入れて、ボタンを押せば…ほらこんな感じで結果が出力されます！ このライブラリをインポートして、このメソッドの引数に数値を渡すと…ほらこんな感じ！ といった具合で、どうしてもブラックボックス感が出てしまって、ちょっとモヤモヤ… 上記のような経験をしたことがある方はきっと少なくないはずです… かくいう私もまさに上記のような感じで、勉強したくてもとっつきにくい印象のままでした。 そこで私なりに見つけたオス

先日こちらの学生データ分析コンペの表彰式に、プレゼンター＆解説者として登壇してまいりました。正直言って、データを提供して下さったData Stadium社の皆様からも「これほどまでの結果になるとは」という感嘆の声が上がるほどハイレベルな戦いぶりで、参加者の皆さん大変素晴らしい結果を残して下さったと思います。この場を借りて、改めてコンペ参加者の学生の皆さんお疲れ様でした、そして入賞者の皆さんおめでとうございます。 ところで、この表彰式に来れなかったという*1方々から「講評をブログにまとめてもらえないか」という依頼をちょこちょこいただきましたので、簡単ですがまとめておきます。なお、Data Stadium様とCrowd Solving様のご厚意で今回の本番用学習データセット＆テストデータセットをいただくことができたので、最後の方に僕が自分で試してみた結果も載せてあります。 課題について この記

GREE Advent Calendar 2015の1日目担当のふじもとです、グリー株式会社でCTOをしてます、もう10年目です。 今年もChristmasに向けてみんなで毎日更新していきますので、ぜひぜひよろしくおねがいします。 わりとどうでもよい序 去年、一昨年は25日担当だったんですが、今年は (なんでかは知らないけど) 1日目書くことになったので、ちょっと趣向を変えて技術的な内容にしてみたいと思います。 なおタイトルに、Deep Learningだの自然言語処理 (以下NLP) だの書いてますが、ぼくは機械学習やNLP、はたまたDeep Learningの専門家でもなくって、たしなむ程度に勉強していたくらいです。ので、この記事はアルゴリズムについて詳しくなろうっていうよりは、いろいろ試してみたっていう方向になってます。 Summary わりと単純なCNN + 少ないコーパスでも、タ

プリパラ & プリティーリズム Advent Calendar 2015 - Adventarの3日目です。 プリチケの写真を撮ったら、自動でQRコードをかわいく隠してくれるアプリがあると便利だよねって記事です。 プリチケの写真ファイル(png形式)を指定すると、自動でQRコードを隠すプログラムを書いてみようとしました。結論から言うとうまくいきませんでしたが…。 1/13追記 kiito.hatenablog.com 動機 プリチケのカワイイ画像をSNSに投稿するとき、他人に悪用されないように、QRコードを隠す作業が必要となります。 そのため「カメラで画像を撮ったとき、QRコードを認識して、自動で可愛く隠してくれないかな」と思うことがあります。 プリパラで踊（ダンス）ってきた pic.twitter.com/465u6usf0W— 黒めだか (@takeshi0406) Novem

3日目で息切れしてきたので、今日は軽めな内容です。 データベース更新とメール送信の一貫性 商品購入の完了ページなど、よくデータベースを更新して、メールを送信してデータベースをコミットするという仕様があります。 データベース登録出来てないのに、完了メールを送るわけにはいかないので、これらを1トランザクションにできなきゃいけません。が、SMTPプロトコルにコミット/ロールバックの概念はありません。 さて、どう設計しましょうか、というお話です。 方式 A.DBトランザクション後にメールを送る 同一トランザクションはあきらめ、データベースを先にコミットし、その後でメールを送る、という設計です。 メール送信でエラーになったら、データベースには書き込めているので、メールだけ再送するように仕組みを作ったりします。 以下のようなイメージです。 public class OrderController {

Dependency Injectionとはコンポーネント間の依存関係をプログラムのソースコードから排除し、外部の設定ファイルなどで注入できるようにするソフトウェアパターンである ってwikipedia先生が言ってました。 Scalaにおける最適なDependency Injectionの方法を考察する 〜なぜドワンゴアカウントシステムの生産性は高いのか〜 - Qiita を読んでいろいろ考えたので、なんで今さらって感じのことを書きます。 ScalaでDIというとDIコンテナとかCake PatternとかReader Monadとかって話になっちゃうんですが、これらはいかにかっこよくDIするかの話であって、別にこういった道具やパターンを使わなくてもDIは可能という話です。 Constructor Injection 簡単な例で考えます。今ここにUserRepositoryにべったり依存し

これは、アルゴリズム Advent Calendar 2015の3日目の記事です。 はじめに 実験計画法の簡単な紹介と、その発展として組合せ最適化によるアプローチを紹介します。 背景 センサー情報からある解析をしたいとします。 センサーは、1万円のものと3万円のものがあり、置かないこともあるので、3種類の選択があります。 センサーの設置場所は、20カ所の候補があります。 全センサーの総購入費用は5万円以下に抑えないといけません。 どこにいくらのセンサーを置いたら、効率よく検証できるのかを知りたいものとします。 ケースの例としては、「A地点とB地点に1万円のセンサー、C地点に3万円のセンサーを配置」となります。 用語 下記の用語を使います。 要因：水準を決めたい検討対象。今回は、センサーの配置候補。 水準：要因の取り得る値。今回は、センサーの費用で、0万円、1万円、3万円の3種類。 交互作用

こんにちは，れいじです． 現在パシフィコ横浜で開催されているSSII2015という学会に参加しています． 明日にポスター発表を控えています．緊張してます． The 28th Symposium on Sensing via Image Information/Home page チュートリアルセッションでDeepLearningの話題があったのですが，内容がフムフムなるほど〜〜〜って感じでタメになったので忘れない内にメモしておこうと思います スライドシェアにスライドが上がっているらしいのですが見つけられない… Caffeとは Caffeというのは画像認識に特化したオープンソースのDeepLearningライブラリです． Caffe | Deep Learning Framework このブログでもインストールの仕方を色々と解説した記事を書いています reiji1020.hatenablog

この記事はDeep Learning Advent Calendar 2015の1日目です。 早いもので2015年も最後の月になってしまいました。2015年は「ディープラーニング」という単語が（残念ながらバズワードとして）それなりに広まった一年だったと思います。Deep Learning Advent Calendarがそんな2015年の締めくくりにふさわしいものになりますように。 この記事ではDeep Learningの一種である深層ボルツマンマシン(DBM)の基礎となる制限ボルツマンマシン(RBM)について理論から説明していき、C++による実装を示します。実装を行う関係上どうしても数式を多用しますがなるべく式変形を丁寧に示すつもりです。数式は基本的に 深層学習: Deep Learning 作者: 麻生英樹,安田宗樹,前田新一,岡野原大輔,岡谷貴之,久保陽太郎,ボレガラダヌシカ,人工知

機械学習を学ぶための準備 その1（微分について） ▶︎その2（級数と積分について） その3（行列について） その4（行列の掛け算について） その5（行列のいろいろ） 橘と申します。 機械学習を勉強中の身でありながら、機械学習に関して記事を書いていく予定です。 前回の微分に引き続き、今回も機械学習の準備として「級数と積分」をテーマにご紹介していきます。 ##########執筆後の言い訳######### 書き終わったところで「これってテックブログなのか？」という疑問が湧いてきてしまっているのですが、数学の記号が複雑に感じてしまう方もいらっしゃるかと思い、今回は記号の意味もふんだんに入れてみました。 ############################## 級数が苦手な人が多い？ これは私のまわりに集中しているだけなのかもしれないのですが、「級数がよくわからない」という言葉を耳にします。

データ分析から導き出されたインサイト無しにAI（人工知能）の活用は始まりません。私たちは、各業界知識とデータ・アナリティクス技術を駆使しデータドリブン経営を強力に支援します。 データ、アナリティクス、AIは企業にとって競合他社との差別化を図るかつてないほど大きな要因になっています。今日の経営幹部が効率を向上しながら新たな収益源を開拓し、新しいビジネスモデルをタイムリーに構築する方法を模索する中、価値を生み出し成長を続ける企業には「データ活用」という共通項があります。私たちは、無数のデータから企業にとって本当に必要なデータを活用するための方法を知っています。 将来を見据えたオペレーション体制を備えている企業の半数以上（52％）は、すでにデータとアナリティクスを大規模に活用しています。データとAIに関する取り組みをビジネス戦略に沿って実施することで投資利益率を迅速に最大化し、最終的にはAIをビ

概要 多くの機械学習関連のライブラリのチュートリアルは解決するべき問題に対してある程度適切なモデルを初めから提示してくれますが、実際に機械学習を応用するのにあたって一番難しくて手間のかかるのはモデルのチューニングである気がします。特に最近流行ってる（ディープ）ニューラルネットワークを使いこなすのにはチューニングの要素が強いことが指摘されています。 モデルのチューニングで必要不可欠となるのがその検証です。この記事では機械学習全般で用いられる幾つかの検証方法を実装して比較します。 データの分割と誤り率 (error rate) モデルの学習に使用するデータを学習データ (Train Data)、検証に使用するデータをテストデータ (Test Data)といいます。時々学習データと同じテストデータを用いた検証を見かけますが、その場合機械学習の学習能力を示したことにはなっても、汎化能力を示したこと

皆様こんにちは，@a_macbeeです． （大分時間ギリギリになってしまいましたが）この記事はAdvent Calendar 2015 - VOYAGE GROUP 2日目の担当分になります． 2015年は良くも悪くも深層学習がバズワードとなって盛り上がった年でした． 面白い論文が続々発表されたり，関連書籍が次々出版されたり，最近だとGoogleが発表した深層学習ツールTensorFlowが話題となってます． このビッグウェーブに乗るしかないということで，この記事では自他共に認めるPython大好きな私がPython製の深層学習ライブラリである「Keras」について紹介します． Keras KerasはPython製の深層学習ライブラリです． もともとはバックエンドとしてTheanoを採用していたのですが，つい最近TensorFlowも選択できるようになりました．ここでは，折角なのでTen

先日、 TensorFlowでのMNIST学習結果を、実際に手書きして試す - すぎゃーんメモ という記事を書いて、「Herokuで動かそうとしたが上手くいかず〜〜」ということだったのだけど、その後も幾つか変更があって そのおかげなのか何なのか分からないけどもう一度Heroku環境用のpipパッケージをビルドしてみたら上手く出来て、それを同梱することで無事にHeroku環境でも動くようになった。 https://tensorflow-mnist.herokuapp.com/ これでブラウザさえあれば誰でも学習結果を試すことができますね。色んな数字を書いて試して遊んでみてください。 誰かスマホ対応してくれると嬉しいなー。。

先日、社内の勉強会でニューラルネットワークの発表がありました。私は大学時代に人工知能関係のゼミでニューラルネットワークも勉強したのですが、色々と忘れていたのでこの際改めて調べなおしてみました。 調べてみると、ニューラルネットワークの解説ページは色々あったのですが計算式の解説がほとんどで、いまいち仕組みというか動きを説明したものが少ないような感じでした。 そこで、思い出しがてらに私なりにニューラルネットワークの仕組みを紹介してみたいと思います。 仕組みを説明するにあたって、実際に動くものがあった方がわかりやすいと思ったので、Googleスプレッドシートで簡単な階層型ニューラルネットワークを使ってみました。 Googleのアカウントがあればご自身のGoogleDriveにファイルをコピーして触ってみてください。 問題定義 まずは学習させたい問題ですが、 ３×３の白黒画像が「０」〜「９」のどの数

Emacsのために書いたけど、だいたいVimにも通用する気がする。GUIのエディタで通用するのかは知らない。 複数の環境で共通の設定ファイルを利用できるようにする 複数の環境、例として手元のMacBookや個人のVPS、会社の開発用のサーバーなどで個別に設定をするのは非効率です。.emacs.dや.vimなどのディレクトリをGitなどで管理してGitHubなどにアップロードすると良いでしょう。 GitHubに公開することに抵抗があれば、Bitbucketは無料でプライベートリポジトリを作成することができます。 UNIXの設定ファイルは$HOME/.emacs.d/init.elや$HOME/.vimrcのようにホームディレクトリの決まった位置に置かなくてはいけないことが多いですが、実はシンボリックリングでも問題ありません。 つまり、私の場合は以下のように運用します。 cd ~/local/

Macには最初からEmacsが入っているが、バージョンが古い(Yosemite で22.1.1)のでHomebrewから最新バージョンをインストールする。 ビルドオプションは以下を指定するのが一般的っぽい。 --cocoaはEmacs Cocoaバージョンをビルドする。Emacs.appが生成され単体アプリとしても起動可能になる。brew linkappsで/Applicationsにシンボリックリンクされる。 --with-gnutlsはGnuTLSサポートを付けてビルドする。 GnuTLS サポート GnuTLS は SSL/TLSプロトコルの実装の一つです。 GnuTLS がインストールされた環境でコンパイルすると Emacs ネイティブで SSL/TLS な通信が可能になります。 Emacs24 のインストールと新機能 : 紹介マニア 日本語入力問題 VimもそうだけどEmacsも

今年も Advent Calendar の季節がやってきました。 Java をネタにしたブログを公開してしまいましょう。 Java といえば、サーバーからクライアント、クラウドに組み込みと、さまざな分野で使われており、そこで使われている技術もたくさん。 Java の Tips でもいいし、ライブラリの使い方でもいい、自作のツールの紹介など、Java に関していれば何でもかまいません。ぜひこの機会に、Java のブログを書いてみましょう！！ qiitaのアドベントカレンダーを使用していますが、もちろんqiita以外からの投稿もできます！ 普段お使いのブログがあるかたはそちらでご参加ください！ Supported by JJUG

URLYou can post either your article on Qiita or your blog post. About reserved postingIf you register a secret article by the day before the same day, it will be automatically published around 7:00 on the same day. About posting periodOnly articles submitted after November 1 of the year can be registered. (Secret articles can be registered anytime articles are posted.)

Apache Spark の Advent Calendar です． 初学者向けからディープな話まで Spark に関係する話はどんなものでも歓迎です．

JR山手線 巣鴨駅北口より徒歩3分程にある、焼鳥屋の【鳥晶】 曜日によっては希少部位なども堪能できる大衆焼鳥屋です。 つねに予約してない常連さんらがいま入れる？と覗きにくる感じでした。 長いこと巣鴨にいてつねに前を通り行きたいと思ってて、ようやく行ってきました 笑 初回注文時はこっちで書くスタイルなので、まずつまみでとり皮ポン酢と焼えいひれ・マカロニサラダもらいました。 とり皮ポン酢は弾力もあって美味しいやん〜。 焼えいひれも炭火焼で炙ってくれとんがええねぇ。 焼きはまずささみ梅と砂肝(鬼胡椒)を注文！ 鳥にも焼き方にもこだわっとうだけあってめっちゃ美味しいよ！ ねぎももいいね！ 追加注文しようとしたら満席てこともあり、時間が少しかかるということで移動してもたけどコスパもめっちゃ良かったので次回はがっつり食べたいなと。

リクエスト予約希望条件をお店に申し込み、お店からの確定の連絡をもって、予約が成立します。 1 予約の申し込み ご希望の条件を当サイトよりご入力ください。 2 お店からのメール ご予約が承れるか、お店からの返信メールが届きます。 3 お店へ来店 予約が確定した場合、そのままお店へお越しください。

リクエスト予約希望条件をお店に申し込み、お店からの確定の連絡をもって、予約が成立します。 1 予約の申し込み ご希望の条件を当サイトよりご入力ください。 2 お店からのメール ご予約が承れるか、お店からの返信メールが届きます。 3 お店へ来店 予約が確定した場合、そのままお店へお越しください。

リクエスト予約希望条件をお店に申し込み、お店からの確定の連絡をもって、予約が成立します。 1 予約の申し込み ご希望の条件を当サイトよりご入力ください。 2 お店からのメール ご予約が承れるか、お店からの返信メールが届きます。 3 お店へ来店 予約が確定した場合、そのままお店へお越しください。

この日は高田馬場で飲み歩くことに。 駅を降りて歩いていると、何やら気になる店を発見。 事前情報は何もなかったが、とりあえず行ってみることに。 店内はこれぞ大衆居酒屋、といった雰囲気でなんだかやけに落ち着く。 さて、何を頼もうかと悩んでいると気になるメニューが目に入る。 「生ビール＋串5本」で880円。これはお得だ！早速店員さんに伝えると、18時まではサービスタイムとのことでドリンクが全品20%引きになるので単品の方がお得とのこと。 なるほど！ならば単品で頼むことにしよう。店員さん優しい。 ということで今回注文したのはこちら。 ■生ビール（480円） ■おまかせ串5本（420円） ■生レバニラ炒め（380円） ■カレーグラタン（290円） ビールは20%引きなので約390円くらい。 まず出てきたのはおまかせ串5本なのだが、まずこちらに驚く。 そう、めちゃくちゃ美味しいのだ！ 単品で注文しても

PRML 13章読んで、隠れマルコフモデルを実装してみた。今回は Python + numpy の習作も兼ねている。 http://github.com/shuyo/iir/blob/master/sequence/hmm.py 今回実装してみたアルゴリズムは以下の通り。数字は PRML の章番号。 まあなんて盛りだくさん。 最尤推定(EM アルゴリズム) (13.2.1) Baum-Welch(フォワード・バックワード)アルゴリズム (13.2.2) スケーリング係数(13.2.4) Viterbi アルゴリズム(13.2.5) 複数系列を用いた学習 (演習 13.12) HMMからサンプリング(生成モデル) (13.2) left-to-right HMM (13.2) テキストファイルを与えると、1行1系列とみなして、アルファベットからなる単語を抽出し、HMM で学習＆文章をサンプリ

Python開発者が大好きな言葉があります。それは”全てはオブジェクトである”です。実際、私自身もPythonのクラスを教えているときに何度も口にしています。多くの人が何度も聞いた言葉かもしれないのですが、私が言う度に生徒は賛同の相槌をしてくれます。結局のところ、Javaにおいて全ては（対象がそうでない場合を除いて）オブジェクトであり、.NETにおいても全てはオブジェクトであると、よく言われています。 しかしPythonにおいて全てがオブジェクトであると言う時、（私の生徒は驚いていましたが）「 全て 」にはクラスも含まれているのです。これはとても筋が通っていて、オブジェクトシステム全体が理解しやすくなります。しかしそれでも、広い視野で物事を見ることは難しいのです。 今回のブログ記事では、Pythonのオブジェクト間のつながりをざっと見ていきたいと思います。そして”全てはオブジェクトである”

Emacsは「拡張可能なテキストエディタ」と呼ばれ1、エディタとしての基本的な機能ですらユーザーが柔軟にカスタマイズできます。 最初から同梱されてるライブラリだけではなくWebにあるEmacs Lispパッケージを導入することで、べんりなインターフェイスや強力な編集機能、追加の言語サポートを取り入れることができます。 さて、そのEmacs Lispパッケージの管理方法については大きく変化があるので、この記事では近年の潮流について紹介します。 読むのがめんどくさいひとのために結論 Emacsを最新版にして、Caskを入れよう！！！！ Caskをインストールすると… パッケージリポジトリとして、デフォルトでMELPAが登録されます Palletがインストールされ、M-x package-installとCaskが統合されます この記事にはWindows向けの説明はありませんので気をつけてくださ

こんにちは、虎塚です。 先日、git-flowをテーマに社内勉強会を行いました。講師役は、AWSチームの都元さんにお願いしました。 クラスメソッドではお客様向けにクラスメソッド・メンバーズというサービスを運営しています。このサービスの会員向けポータルサイトの開発で、Gitとgit-flowを採用しています。そこで、メイン開発者である都元さんにgit-flowの概要を話してもらって、皆で聞こうということになりました。 いつもはAWSコンサルティング部のメンバーで実施している勉強会ですが、今回はテーマが開発寄りなので、AWSソリューション部の人たちにも参加してもらいました。AWSソリューション部は、システム開発を中心に行っている部署です。 上は秋葉原オフィスの会場です。札幌オフィス、上越オフィス、リモートワークのメンバーも、Googleハングアウトで接続して開催しました。 それでは、勉強会の内

git-flowとは、プラグイン(ツール)のことです。。 Vincent Driessen氏がブログに書いた"A successful Git branching model" というブランチモデルの導入を簡単にする git プラグインである。 参考資料： ・　http://hm-solution.jp/lifehack/post2475.html ・　http://d.hatena.ne.jp/Yamashiro0217/20120903/1346640190 Git-flowイメージと各ブランチの役割 master: プロダクトとしてリリースするためのブランチ。リリースしたらタグ付けする。 develop: 開発ブランチ。コードが安定し、リリース準備ができたら master へマージする。リリース前はこのブランチが最新バージョンとなる。 feature branches: 機能の追加。

いまさら聞けない、成功するブランチモデルとgit-flowの基礎知識：Gitブランチを使いこなすgit-flow／GitHub Flow入門（1）（1/2 ページ） 数回に渡ってgit-flowとGitHub Flowを使ったGitの活用テクニックを紹介します。初回は、ブランチ管理の課題と効率的にバージョン管理できる5つのブランチモデルと、ブランチの管理を簡単に行えるツール「git-flow」について。 Gitなどの次世代のバージョン管理ツールの特徴として、ブランチの機能を高度に活用できるという利点があります。Gitのブランチを生かしたツール・フローとして「git-flow」「GitHub Flow」が注目を浴びていますが、本連載では数回に渡ってgit-flowとGitHub Flowを使ったGitの活用テクニックを紹介します。初回は、git-flowの概要を紹介します。 効率的にバージョ

今年も参加してますAdvent Calendar！ 今年は3つに絞っていくつか登録しましたっ まずは12月1日、トップバッター務めさせていただきます、家庭を支える技術 Advent Calendar 2015！ www.adventar.org 我が家の家計簿管理 同棲を始めてから1年ちょっと、 毎月かかったお金を集計して月末27日に決算しているルールを続けています。 （年明けに入籍する予定なので、この先世帯が一緒になるにあたりどうするか考え中） 家賃、光熱費、通信は基本旦那のカードから引いてもらっているので、 27日に明細を集めてそれの額を2人で割っています。 大体、1ヶ月10万円/1人以内。（結婚式の準備で最近はレジャー費多めだった…） また、年間のかかる費用は年間予算を洗い出して表にし、出費予定をすべて出してから2015年に挑んでいます。 この時点で、「今年は冷蔵庫買うぞ！」「空気洗